基于暗邊緣特征的動車底板螺栓故障檢測

胡紹海 易果

摘要：動車組運行故障圖像檢測系統（TEDS）是基于圖像處理、計算機視覺等技術對動車組運行圖像進行處理與分析，達到動車故障檢測的系統。螺栓丟失是動車故障的常見類型之一。為了檢測動車底板螺栓丟失的情況，本文基于動車底板螺栓的暗邊緣牛寺.陛——螺栓邊緣灰度相較于中心灰度較暗，結合FAST角點檢測的方法，提出了一種能對動車底板圖像上的螺栓進行快速識別與定位的算法。然后基于動車底板螺栓丟失所產生的亮邊緣特性，實現螺栓丟失的故障識別。實驗證明，本文算法在正常灰度圖像和輕微曝光圖像中表現良好，螺栓定位準確，螺栓丟失識別率高、RiP，別率低。

關鍵詞：TEDS;動車組;螺栓識別;故障檢測

中圖分類號：TP391.4 文獻標識碼：A

文章編號：1009-3044（2020）13-0208-04

1引言

近年來，我國高鐵行業迅猛發展，動車安全也受到了人們的高度關注。TEDS結合圖像采集、傳輸、數字圖像處理與計算機視覺等技術達到動車運行故障智能檢測的目的。異常圖像識別模塊作為TEDS的核心模塊，設計一種合理有效的動車圖像異常檢測算法是十分必要的。傳統的動車組圖像異常識別算法基于比對分析的思想，將當前圖像與標準圖像進行配準，然后基于兩幅圖像的差值圖像進行故障初識別;然后通過人工復檢的方式對故障進行二次確認，發現故障及時上報檢修人員。然而，在實際運行中，傳統算法預警準確率不高。某動車段監控中心對2018年1月到10月的TEDS預警故障進行統計，發現預警故障共計3925285件，經過復核真實故障僅有87件，預警準確率僅有0.00222%。動車組零部件眾多，結構復雜，圖像配準過程總是會有細微的像素偏差，導致標準圖像與當前圖像差異較大;同時，光照、畸變等因素也會給傳統算法造成較大誤差。因此，傳統算法很難有效達到動車組各個部位異常檢測的目的，針對不同部位的圖像設計不同的算法是十分必要的。

針對螺栓異常的情況，通過圖像畸變矯正和改進配準算法提高配準精度達到對軌邊圖像的螺栓丟失進行檢測的目的，但此方法性能仍然易受配準精度和光照影響。圖像局部特征是圖像特征的局部表達，能反映圖像局部的連續性，一般具有良好的穩定性，不容易受外界干擾。圖像局部特征點包括斑點和角點兩類，角點檢測算法主要關注圖像中物體的拐角或者線條之間的交叉部分，斑點檢測算法主要關注與周圍顏色和灰度有差別的區域。圖像局部特征點一般具有旋轉不變性、光照不變性以及尺度不變性等優點，被廣泛用于目標識別、圖像匹配、三維建模、圖像拼接等應用。Dalal（2005）提出將方向梯度直方圖（HOG）特征和支持向量機mI（SVM）相結合應用于行人檢測取得了很好的效果，此思路也被廣泛應用于其他目標識別領域。在動車組螺栓故障檢測方面，基于圖像特征與分類器的螺栓識別取得了不錯的效果。但此類方法都有一定的缺陷，軸箱螺栓檢測方法㈣僅僅定位軸箱位置，無法準確定位螺栓位置，螺栓快速定位算法舊需要先將螺栓感興趣區域（ROI）從圖像中分割出來，車鉤位置與轉向盤，車鉤緩沖裝置、轉向架心盤和齒輪箱附近的螺栓檢測方法僅僅關注螺栓數量，同樣無法準確定位螺栓丟失位置。

本文提出直接對螺栓的暗邊緣特性進行特征檢測以達到螺栓識別與定位的目的。所謂暗邊緣，是對動車底板圖像上螺栓觀察統計得到的螺栓特性。在動車底板圖像中，螺栓位置總是存在一圈灰度較低的邊緣，而其他部分的灰度明顯比邊緣灰度較高。結合FAST特征檢測的方法，本文提出一種算法能輕易對螺栓進行識別與定位。對于螺栓丟失的區域，會產生暗邊緣丟失，形成一個半徑更小的亮邊緣效應，本文利用這種特性，實現螺栓的故障檢測。本文算法對螺栓直接進行檢測，不需要通過分類器對螺栓進行分類來達到螺栓識別，大大降低了檢測時間。并且本文算法不需要預先標記或估算螺栓的位置，卻能對正常螺栓和異常螺栓進行精準定位。當然，本文算法也有自身局限性，由于使用了暗邊緣特性，所以其對本身亮度較暗和背景比較復雜從而并不具備暗邊緣特陛的圖像并不適用

2暗邊緣特性

2.1正常螺栓區域的暗邊緣特性

其中，（xo，Yo）為螺栓中心像素坐標，（x）為螺栓上像素，y標;，（x，y）為點（x，y）對應的灰度值;G為螺栓邊緣與螺栓中間的灰度界限，不同的螺栓取值有所偏差;t為閾值;r1r2分別為螺栓內邊緣半徑和外邊緣半徑，r1，r2的取值很大程度上取決于螺栓的大小。

因為螺栓頭部的部分總是比底板其他地方高出一部分，所以光照下螺栓的邊緣會出現突出螺栓的陰影，從而形成暗邊緣特性，圖1展示了幾個螺栓的暗邊緣特性。為了驗證暗邊緣特性，本文選取了100張背景較為簡單，亮度比較合適的動車底部圖像進行統計，圖像尺寸均為1400*2048，合計1174個螺栓，螺栓中心灰度與邊緣平均灰度差值見表1。

3基于暗邊緣的動車底板螺栓定位算法

螺栓定位算法流程與FAST角點檢測流程相似。1）通過一些特殊的螺栓邊緣點排除一些明顯不屬于螺栓中心的點;2）根據暗邊緣灰度與螺栓中心灰度的差值篩選出可能為螺栓中心的點;3）對篩選出來的點進行非極大值抑制，使得一個螺栓只有單個響應，同時排除一些非螺栓點響應;4）剩下的特征點即為螺栓中心點;5）對定位到的螺栓特征點進行丟失檢測。

3.1螺栓特征點檢測方法

3.1.1結合FAST與暗邊緣特性的圓周設計

3.3螺栓丟失異常檢測

對于螺栓丟失的情況，基于亮邊緣的檢測方法比較簡單，只需要判斷螺栓中心點與圓周像素點的灰度差異即可判斷。為了排除特殊性，我們取螺栓中心點及其周圍的8個像素點的灰度均值表示螺栓中心區域的灰度均值，記為Im，取編號為1、8、15、22的四個像素點的灰度均值表示邊緣的灰度均值，記為Ie若，Im>Ie，則可以判定螺栓正常，否則，判定為螺栓丟失。

4實驗結果與分析

由于采集的圖像數據中圖像的尺寸較大，本文選取了螺栓較集中的區域，制作了500張螺栓分布廣泛的樣本集，樣本集中每張圖像的螺栓在4至6個左右。一般情況下，螺栓丟失的故障是比較少見的，所以我們的數據集中缺乏螺栓丟失的樣例，所以本文選取了其中150張圖片，為每張圖片模擬1至2個螺栓丟失的異常。圖4是本文算法應用到生成的數據集后，選取的幾張不同底板圖像的檢測結果。

我們統計了當前數據集中，本文算法的螺栓識別率、螺栓誤識別率和螺栓丟失識別率、螺栓丟失誤識別率，結果見表2。其中，螺栓識別率是識別正確的螺栓特征點占樣本中總螺栓數量的百分比，螺栓誤識別率是識別錯誤的螺栓特征點占識別出的螺栓特征點的百分比。同理，螺栓丟失識別率是檢測正確的螺栓丟失占樣本中總的螺栓丟失故障的百分比，螺栓丟失誤識別率是檢測錯誤的螺栓丟失數量占檢測的所有螺栓丟失數量的百分比。從表中可以看出，本文算法對螺栓識別率較低，并且對螺栓的誤識別率較高，但是，對螺栓丟失的識別率很高，且對螺栓丟失有較小的誤識別率。這是因為對于非螺栓點，識別為螺栓點后，由于其不存在螺栓丟失所具有的亮邊緣特性，算法不會將其識別為螺栓丟失。同時，對于由于部分圖像整體較暗而丟失暗邊緣特性的螺栓點，我們的算法不會將其識別為螺栓點一般不會影響螺栓丟失的識別精度，因為即使是整體較暗的圖像，螺栓丟失仍然后形成亮邊緣特征，我們的算法仍然能對其識別。其次，我們的螺栓丟失都是模擬出來的，缺乏現實中螺栓丟失造成的多樣性。

5結論

1）本文提出了基于動車底板螺栓的暗邊緣特性對動車底板上的螺栓進行檢測，暗邊緣特性是基于對大量動車底板圖像統計得到的。結合FAsT角點檢測的原理，使用暗邊緣特性對動車底板螺栓進行檢測有較快的速度和較高的精確度。然而，提出的檢測算法對灰度較暗和背景較復雜的螺栓檢測效果很差，因為暗邊緣特性不適用于整體較暗和背景較復雜的圖像。

2）基于螺栓檢測結果，本文提出基于螺栓丟失造成的亮邊緣特性對螺栓丟失進行檢測。由于較暗的螺栓丟失也會造成亮邊緣特性和非螺栓很難產生亮邊緣效果，提出的異常識別算法對螺栓丟失的檢測效果比基于螺栓檢測效果的螺栓丟失檢測的預期效果更好。